Customer 360 for financial services

고객을 파악하고, 그들의 행동을 학습하고, 니즈를 예측하기

금융 서비스 조직, 특히 소매 은행, 신용 카드 발행사, 사설 자산 관리 기업, 보험사와 같은 소비자를 직접 대면하는 조직이 성공적인 마케팅 캠페인, 교차 판매 및 상향 판매를 실행하고, 고객과의 관계 전반에서 고객을 효과적으로 지원하려면 고객, 시장, 제품 등에 대한 인텔리전스가 필요합니다. 고객 만족도 문제를 해결하는 과정에서 제품 권장 사항 작성, 고객 니즈 예측 및 대응과 같은 일부 사용 사례는 실시간 인텔리전스를 필요로 합니다. 일부 사용 사례는 마케팅, 영업, 운영 및 고객 경험 개선에 사용될 수 있는 인사이트 생성을 목표로 학습하는 모델을 위한 적합한 데이터 수집을 요구하기도 합니다.

이러한 모든 사용 사례에서 고객 지식은 매우 중요합니다. 고객에 대한 360도 뷰의 개념은 크게 진화했습니다. 기존의 고객이 조직과 나누는 다수의 상호작용을 이해하는 데 그치던 기본적인 개념에서 각 고객을 금융 서비스에 관한 상호 작용 대상을 넘어 고유의 행동, 욕구, 니즈를 보유한 개인으로 심도 있게 이해하는 개념으로 발전한 것입니다. 오늘날의 고객은 테이크아웃 주문, 보험 청구서 작성, 계좌 개설 등 모든 상호 작용이 쉽고, 편리하고, 직관적이길 기대합니다. 또한 온라인을 통해서든, 앱을 사용하든, 대면 서비스를 이용하든 그들은 상호 작용 경험이 일관적이고, 통합적이고, 원활하기를 원합니다.

만족도가 높은 고객은 그렇지 못한 고객에 비해 새로운 계좌를 개설하거나 기존 은행에서 새로운 제품을 도입할 가능성이 2.5배나 높습니다. 은행들은 높아가는 고객의 기대치를 충족하기 위해 지속적으로 투자를 이어가고 있지만, 레거시 IT 인프라 및 데이터 사일로, 데이터 품질 문제 및 그로 인한 연혁 문제로 인해 타 리테일 분야의 발전 속도를 따라가는 데에 어려움을 겪고 있습니다. 평균 이상의 고객 경험을 자랑하는 기관들조차도 보통 고객의 1/2에서 2/3만이 그들의 경험이 훌륭했다고 평가하는 실정입니다.

고객의 기대에 부응하기 위해 금융 서비스 조직은 레거시 인프라의 단절된 데이터가 야기하는 문제를 지속적으로 해결하는 동시에, 머신러닝, 인공지능 및 360도 고객 데이터를 사용하여 고객과의 관계를 대응적 관계에서 예측적 관계로 전환해야 합니다. 이를 달성하는 조직에게는 엄청난 보상이 주어질 것입니다. McKinsey 분석에 따르면 고객 경험 분야에서 상위 25%에 속한 미국의 소매 은행은 지난 3년간 경쟁사들 대비 의미 있는 수준의 높은 예금 성장률을 기록했습니다. 신규 고객을 유치하고 기존 고객들과의 관계를 강화하는 그들의 역량 덕분이었습니다.

머신러닝을 활용해 고객에 관한 지식에 의미 부여하기

다음 아키텍처는 Oracle Data Platform이 금융 서비스 조직이 고급 분석, 머신러닝, 인공지능을 모든 가용 데이터에 적용하는 데 어떤 도움을 주는지 보여줍니다. 이 데이터는 고도로 연관성이 높은, 개인화된 고객 경험을 그때그때 생성하는 데 필요한 인사이트를 제공합니다. Oracle Data Platform은 조직이 사전 예방적 관계 구축에 중점을 두고 쇼핑, 계좌 개설, 온보딩, 관계 확장, 서비스 제공 또는 보험 청구 처리 등 전체 고객 수명 주기의 모든 접점에서 실수 없이 업무를 수행할 수 있게 해 줍니다.

이 이미지는 재무 서비스용 Oracle Data Platform이 고객 활동의 360도 뷰 지원에 어떻게 사용될 수 있는지 보여줍니다. 본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

1. 1. 데이터 소스, 검색
2. 2. 연결, 수집, 변환
3. 3. 유지, 선별, 생성
4. 4. 분석, 학습, 예측
5. 5.측정 실행

데이터 소스, 검색 제품군에는 2가지 범주의 데이터가 포함됩니다.

1. 1. 비즈니스 기록(제1자 데이터)은 신용 카드 거래, 예금, 인출, 계좌 정보, CRM 데이터, 사례 관리 데이터, ATM 이벤트 스트림 및 위치 데이터로 구성됩니다.
2. 2. 서드파티 데이터에는 소셜 피드가 포함됩니다.

연결, 수집, 변환 제품군은 4가지 기능으로 구성됩니다.

1. 1. 일괄 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.
2. 2. 일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.
3. 3. 변경 데이터 캡처는 OCI GoldenGate 및 Oracle Data Integrator를 사용합니다.
4. 4. 스트리밍 수집은 OCI Streaming 및 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 클라우드 스토리지/데이터 레이크 기능에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 4가지 기능으로 구성됩니다.

1. 1. Customer 360 서비스 데이터 저장소는 Autonomous Data Warehouse 및 Exadata Cloud Service를 사용합니다.
2. 2. 클라우드 스토리지/데이터 레이크는 OCI Object Storage를 사용합니다.
3. 3. 일괄 처리는 OCI Data Flow를 사용합니다.
4. 4. 거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지/데이터 레이크는 서비스 데이터 저장소에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

분석, 학습, 예측 제품군에 연결되는 한 가지 기능인 서비스 데이터 저장소는 분석 및 시각화, AI 서비스, 머신러닝 기능에 단방향으로, 스트리밍 분석 기능과는 양방향으로 연결됩니다.

분석, 학습, 예측 부문은 4가지 기능으로 구성됩니다.

1. 1. 분석 및 시각화 기능은 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.
2. 2. AI 서비스는 Oracle Digital Assistant, OCI Language, OCI Speech 및 OCI Vision을 사용합니다.
3. 3. 머신러닝은 OCI Data Science, Auto ML 및 Oracle Machine Learning Notebooks을 사용합니다.
4. 4. 스트리밍 분석은 OCI GoldenGate Stream Analytics를 사용합니다.

측정, 실행 제품군은 대시보드 및 보고서, 애플리케이션, 머신 러닝 모델이라는 3가지 제품으로 구성됩니다.

대시보드 및 보고서는 고객 세분화 및 고객 생애 가치(CLV)로 구성됩니다.

개인화된 권장 사항 및 이탈 분석으로 구성된 애플리케이션

머신러닝 모델은 감성분석, 교차 판매 및 상향 판매 분석으로 구성됩니다.

3가지 주요 제품군(수집 및 변환, 유지 및 선별, 생성 및 분석, 학습 및 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 지원됩니다.

금융 서비스 조직이 고객에 대한 360도 뷰를 생성할 수 있도록 데이터를 아키텍처에 주입하는 3가지 주요 방법이 있습니다.

• 프로세스를 시작하려면 우리의 고객 거래 정보를 수집해야 합니다. 거래 데이터에는 예치금 및 인출금이 포함됩니다. 이 데이터는 핵심 뱅킹 또는 운영 애플리케이션 및 시스템에서 고도로 구조화되고 마스터됩니다. 이러한 데이터세트는 대량의 온프레미스 데이터로 구성되는 경우가 많고, 대부분의 경우 일괄 수집을 거쳐 소스 처리가 이루어지는 것이 가장 효율적인 수집 방식입니다. 이 데이터는 일반적으로 특정 일정(예: 매시간의 30분마다 또는 매일 오후 2시)에 수집됩니다(복잡한 프로세스의 경우 기간이 더 긴 경우가 있음).
• 고객 관계 및 경험 시스템으로부터 수집한 고객 데이터는 대개 수집 중 변환 또는 집계가 거의 필요하지 않으며, 처음에 대량으로 로드된 데이터세트에 대한 변경 수집은 주로 데이터 수집 변경 프로세스를 통해서만 처리됩니다. 운영 시스템, 웹 클릭, 소셜 미디어 피드 및 서드파티 고객 데이터 피드에서 추가 데이터를 소싱할 수 있습니다.
• 스트리밍 수집은 IoT, 머신 투 머신(M2M) 통신 등을 통해 매장 내 비콘으로부터 읽어들인 데이터를 수집하는 데 사용됩니다. 비디오 이미징 또한 같은 방식으로 사용할 수 있습니다. 또한 본 예에서는 소셜 미디어 메시지, 제1자 게시물에 대한 반응, 인기 메시지 등을 분석하여 소비자 정서를 분석하고 신속하게 대응하고자 합니다. 소셜 미디어(애플리케이션) 메시지/이벤트 데이터 수집 시에는 클라우드 스토리지 또는 데이터 레이크에 해당 데이터를 저장하기 전에 몇 가지 기본적인 변환/집계를 수행하는 옵션이 함께 제공됩니다. 추가 스트리밍 분석 기능을 사용하여 상관관계가 있는 소비자 이벤트 및 행동들을 식별하고, 식별된 패턴은 원시 데이터의 데이터 과학 조사를 위해 OCI Data Science로 수동으로 전달할 수 있습니다.

데이터 지속성 및 처리는 3개의 구성 요소(선택적으로 4개)에 기반합니다.

• 수집된 원시 데이터는 클라우드 스토리지에 저장됩니다. OCI Data Flow를 사용하여 트윗(JSON), 위치 데이터, 비콘 및 앱으로부터 수집한 센서 데이터, 지리적 매핑 데이터, 제품 참조 데이터 등 지속적 저장 처리가 완료된 스트리밍 데이터의 일괄 처리를 수행합니다. 이 처리된 데이터세트는 클라우드 스토리지로 반환돼 꾸준한 유지, 선별 및 분석에 사용되며, 궁극적으로는 서빙 데이터 저장소에 최적화된 양식으로 로딩됩니다. 아키텍처 선호도에 따라 이 과정은 Oracle Big Data Service를 관리형 Hadoop 클러스터로 사용해 수행할 수도 있습니다.
• 이제 서비스 데이터 저장소에서의 선별 및 쿼리 성능을 위해, 최적화된 관계형 형식으로 보관될 준비를 마친, 처리된 데이터세트를 생성했습니다. 해당 데이터세트를 통해 현재 가장 인기 있는 제품 및 소비자 해시태그들을 식별 및 반환할 수 있습니다. 해시태그 데이터는 엔터프라이즈 시스템의 위치, 재고, 제품 데이터로 보강 가능합니다.

분석, 학습, 예측 역량은 2가지 기술을 바탕으로 구축됩니다.

• 분석 및 시각화 서비스는 묘사 분석(히스토그램 및 차트를 통한 현재 추세 설명), 예측적 분석(미래 이벤트 예측, 추세 식별, 불확실한 결과의 확률 예측), 처방적 분석(적절한 작업 제안, 최적의 의사 결정에 기여) 등의 기능들을 활용하여 금융 서비스 기관들이 다음과 같은 질문들에 답할 수 있게 지원합니다.
  • 우리의 상향 판매 활동이 캠페인 예측과 연계되었습니까? 그 결과 고객 관계 개선 활동에 변화가 생겼습니까?
  • 고객 관계 개선에 가장 큰 영향을 미친 제품이 무엇입니까? 분과 또는 부서별 베스트 셀러 제품 및 서비스와 이 제품들을 어떻게 비교할 수 있습니까?
  • '채널 피로'가 발생했습니까? 만약 그렇다면 그로 인해 고객이 채널을 떠나고 있습니까?
• 고급 분석의 사용 외에도 여러 머신러닝 모델이 개발, 훈련, 배포됩니다. 해당 모델들은 API를 통해 액세스하거나, 서비스 데이터 저장소에 배포하거나, OCI GoldenGate 스트리밍 분석 파이프라인의 일부로 포함시킬 수 있습니다.
• 우리가 선별 및 테스트한 고품질 데이터 및 모델은 거버넌스 규칙 및 정책을 적용할 수 있으며, 금융 서비스 조직 전반에 대한 배포 목적으로 데이터 메시 아키텍처 내에 '데이터 제품(API)'으로 노출될 수 있습니다.

자동화된 인텔리전스로 고객의 기대치 충족하기

각 고객의 수명 주기 전반의 가용 데이터(정형, 반정형, 비정형 데이터)를 활용하고 고급 빅 데이터 분석, 머신러닝, AI를 이전의 고객 상호 작용에 관한 완전한 기록에 적용함으로써 금융 서비스 조직은 다음과 같은 일을 수행할 수 있습니다.

• 관련성이 높은 개인화된 고객 경험을 그때그때 설계 및 제공할 수 있습니다.
• 제2자 및 제3자 데이터를 통합해 고객 경험을 개선하고 분석을 활용해 고객 행동을 예측하고 그에 영향을 미칠 수 있습니다.
• AI를 사용하여 차선책을 추천하고, 보다 일관적인 고객 상호 작용과 세분화된 고객 경험을 제공할 수 있습니다.
• 로보 어드바이저를 활용하여 셀프 서비스 도구를 제공하고 직원들이 고객에게 더 나은 서비스를 제공할 수 있도록 지원함으로써 과거 대응적이었던 자문 및 영업 활동을 사전 예방적인 활동으로 전환할 수 있습니다.
• 각 고객의 기록을 파악하고, 고객의 니즈를 예측하고, 고객 수명 주기의 각 단계에서 고객의 기대치를 뛰어넘는 경험을 제공할 수 있습니다.